Interpretieren der wichtigsten Ergebnisse für Zeitreihendiagramm

Führen Sie die folgenden Schritte aus, um ein Zeitreihendiagramm zu interpretieren.

Schritt 1: Suchen nach Ausreißern und Sprüngen

Greifen Sie auf Ihre Prozesskenntnisse zurück, um zu beurteilen, ob ungewöhnliche Beobachtungen oder Sprünge auf Fehler oder auf eine tatsächliche Änderung des Prozesses hindeuten.

Ausreißer

Suchen Sie nach ungewöhnlichen Beobachtungen, die auch als Ausreißer bezeichnet werden. Ausreißer haben eine disproportionale Auswirkung auf Zeitreihenmodelle, und sie bewirken irreführende Ergebnisse. Bestimmen Sie nach Möglichkeit die Ursache von Ausreißern, und korrigieren Sie sämtliche Dateneingabe- und Messfehler. Erwägen Sie, Datenwerte zu entfernen, die auf ungewöhnliche, einmalige Ereignisse (d. h. auf Ausnahmebedingungen) zurückzuführen sind.

Im folgenden Zeitreihendiagramm ist ein Ausreißer zu erkennen, der auf einen Dateneingabefehler zurückzuführen ist. Ein Techniker hat im Arbeitsblatt versehentlich den Wert 4 anstelle des Werts 40 eingegeben.

Sprünge

Suchen Sie nach Sprüngen in der Datenreihe oder abrupten Änderungen von Trends. Versuchen Sie, die Ursache derartiger Änderungen zu ermitteln.

Im folgenden Zeitreihendiagramm lässt sich beispielsweise nach 15 Monaten ein erheblicher Sprung in den Kosten eines Prozesses erkennen. Sie sollten den Grund für den Sprung untersuchen.

Schritt 3: Suchen nach saisonalen Mustern oder zyklischen Änderungen

Ein saisonales Muster ist ein Anstieg oder Abfall der Datenwerte, der im gleichen Zeitraum regelmäßig erneut auftritt. So sind beispielsweise bei einem Autoteilehandel montags geringe Umsätze zu verzeichnen, die die über die Woche zunehmen und ihre Spitze am Freitag erreichen. Saisonale Muster weisen stets einen festen und bekannten Zeitraum auf. Im Gegensatz dazu ist eine zyklische Änderung ein Zyklus von ansteigenden und abfallenden Datenwerten, der sich nicht in regelmäßigen Abständen wiederholt. In der Regel sind zyklische Änderungen länger anhaltend und variabler als saisonale Muster.

Sie können eine Zeitreihenanalyse verwenden, um Muster zu modellieren und Prognosen zu erstellen. Weitere Informationen dazu, welche Analyse sich eignet, finden Sie unter Welche Zeitreihenanalyse sollte verwendet werden?.

Saisonales Muster
Diese Daten lassen ein saisonales Muster erkennen. Das Muster wiederholt sich alle 12 Monate.
Zyklische Änderungen
Diese Daten lassen zyklische Änderungen erkennen. Die Zyklen wiederholen sich nicht in regelmäßigen Intervallen, und sie weisen nicht die gleiche Form auf.
Zufällige Streuung
Diese Daten lassen eine zufällige Streuung erkennen. Es sind keine Muster oder Zyklen vorhanden.

Schritt 4: Auswerten, ob saisonale Änderungen additiv oder multiplikativ sind

Wenn die Größe der saisonalen Änderungen konstant ist, sind die saisonalen Änderungen additiv. Wenn die Größe der saisonalen Änderungen bei größeren Datenwerten hingegen größer ist, sind die saisonalen Änderungen multiplikativ. Aufgrund der zusätzlichen Streuung sind genaue Prognosen für multiplikative saisonale Änderungen möglicherweise schwieriger anzustellen.

Wenn das Muster nicht offensichtlich ist und Sie keine Entscheidung für das additive oder multiplikative Verfahren zum Modellieren der Daten treffen können, testen Sie beide, und wählen Sie das Verfahren mit den kleineren Genauigkeitsmaßen aus. Weitere Informationen finden Sie unter Welche Zeitreihenanalyse sollte verwendet werden?.

Additive Änderungen
In diesem Beispiel für additive saisonale Änderungen steigen die Datenwerte mit der Zeit tendenziell an, die Größe der saisonalen Änderung bleibt jedoch gleich.
Multiplikative Änderungen
In diesem Beispiel für multiplikative saisonale Änderungen nimmt die Größe der saisonalen Änderung mit ansteigenden Datenwerten über die Zeit zu.
Durch Ihre Nutzung dieser Website stimmen Sie zu, dass Cookies verwendet werden. Cookies dienen zu Analysezwecken und zum Bereitstellen personalisierter Inhalte.  Lesen Sie unsere Richtlinien